Resumen

La reducción de dimensiones es una herramienta importante para la extracción de características y ha sido ampliamente utilizada en muchos campos, incluyendo el procesamiento de imágenes, sistemas discretos en el tiempo y diagnóstico de fallas. Como parámetro clave de la reducción de dimensiones, la dimensión intrínseca representa el menor número de variables que se utiliza para describir un conjunto de datos completo. Entre todos los métodos de estimación de dimensiones, el método de dimensión de correlación (CD) es uno de los más populares, ya que siempre asume que el efecto de cada punto en la estimación de la dimensión intrínseca es idéntico. Sin embargo, es diferente cuando la distribución de un conjunto de datos es no uniforme. La dimensión intrínseca estimada por el área de alta densidad es más confiable que las estimadas por el área de baja densidad o de la frontera. En este artículo, se propone un enfoque novedoso de dimensión de correlación ponderada (WCD). El grado de vértice de un grafo no dirigido se invoca para med

• Materias:Ecuaciones en diferencias Ecuación unidimensional Filtrado de información Prevención de interbloqueos Sistemas estocásticos
• Subjects:Difference equations One-dimensional equation Information filtering Interlock prevention Stochastic systems
• Palabras claves:Reducción de dimensiones; Extracción de características; Dimensión intrínseca; Dimensión de correlación; Dimensión de correlación ponderada; Distribución del conjunto de datos
• Keywords:Dimension reduction; Feature extraction; Intrinsic dimension; Correlation dimension; Weighted correlation dimension; Dataset distribution